一种基于深度学习的机动目标跟踪优化方法

1.本发明涉及机动多目标跟踪技术领域，具体涉及一种基于深度学习的机动目标跟踪优化方法。


背景技术：

2.随着无人机的自主能力和智能化水平不断提高，其在诸多领域发挥着重要作用，既可执行搜索、侦察、监视和打击等军事任务，也可应用到农业植保、地质勘探、环境检测等民用领域。但是非法放飞无人机也成为了新的焦点问题，其造成的各种威胁与日俱增，比如，无人机坠落伤人、“黑飞”扰航事件等。因此，无人机目标的探测对于保障空中航路安全和城市安保等具有重要意义。雷达是无人机探测的重要技术手段，但无人机目标通常飞行高度低且机动性强，加之探测环境复杂，给目标的稳定跟踪带来了极大挑战。


技术实现要素：

3.有鉴于此，本发明提供了一种基于深度学习的机动目标跟踪优化方法，能够实现杂波环境下无人机目标的高精度跟踪，改善航迹质量。
4.本发明的一种基于深度学习的机动目标跟踪优化方法，包括如下步骤：
5.构建引入多普勒信息的量测模型，具体为：量测z
k,j
来自于状态x
k,i
的量测方程为
6.式中，为零均值、协方差的高斯白噪声；分别为位置量测与多普勒量测值；
7.基于自适应转弯率估计网络，利用多维度目标运动状态时间序列来实现当前时刻转弯率的估计，完成优化；其中，所述网络的输入为包含多维度目标运动状态时间序列信息的特征矩阵fv：其中，k时刻的特征向量表示为k∈[1,k]，其中，xk和yk表示k时刻目标位置估计，和表示k时刻目标速度估计，表示多普勒量测。
[0008]
其中，引入多普勒量测信息的量测方程通过在预测值处进行泰勒级数展开，将非线性方程转换为线性方程。
[0009]
其中，利用多维度目标运动状态时间序列信息，经自适应转弯率估计网络处理后，实时输出当前时刻目标的转弯率数值。
[0010]
其中，将转弯率参数反馈到协同转弯模型中，利用所述机动目标跟踪优化方法实现目标跟踪处理。
[0011]
其中，基于转弯率估计值来更新协同转弯模型的状态转移矩阵，进而基于线性高
斯跳变马尔科夫—高斯混合概率假设密度滤波器实现目标的跟踪滤波处理。
[0012]
其中，在自适应转弯率估计网络设计中，基于长短时记忆网络提取输入的特征矩阵fv中各个特征的时间序列相关特征，输出隐状态表示为hi＝{h1,h2,
…
,hk}，hk表示lstm网络在时间步k输出的隐状态。
[0013]
其中，在时间模式注意力模块，对各特征参数在时间序列维的变化规律、不同特征间的相关性进行特征提取，具体如下：
[0014]
首先，基于卷积神经网络进行时间模式特征提取，利用f个长度为k-1的一维cnn滤波器对隐状态hi的行向量进行特征提取，生成矩阵其中，表示hi的第i行向量与第j个滤波器的卷积值；
[0015]
然后，基于注意力机制计算hc行向量的权重和vk；得分函数g:来评估相关性，相关性，是hc的第i行，注意力权重αi通过得出；基于αi对hc的行向量进行加权得出的行向量进行加权得出
[0016]
最后，将vk与hk连接起来用于生成当前时刻的转弯率估计值：
[0017]h′k＝whhk wvvk[0018][0019]
其中，hk，
[0020]
该网络的损失函数为：其中，为网络输出的转弯率估计值，ωk为真实值。
[0021]
有益效果：
[0022]
本发明将多普勒信息引入到量测方程中，并将多普勒量测与状态变量之间的非线性方程在预测值处进行泰勒级数展开，得到其一阶近似的线性方程，避免了非线性滤波处理。本发明设计了自适应转弯率估计网络，利用多维度目标运动状态时间序列来实现当前时刻航迹的转弯率估计，提高滤波模型与目标运动的匹配度，进而提高跟踪精度。
附图说明
[0023]
图1为本发明优化方法整体流程图。
[0024]
图2为本发明自适应转弯率估计网络示意图。
[0025]
图3为本发明具体实施案例中跟踪误差对比图。
具体实施方式
[0026]
下面结合附图并举实施例，对本发明进行详细描述。
[0027]
本发明针对杂波环境下机动目标跟踪滤波模型匹配难而导致航迹质量差的问题，提供了一种基于深度学习的机动目标跟踪优化方法，基于随机有限集(random finite set，rfs)的多目标跟踪算法能够避免数据关联而直接估计目标的个数和状态，尤其适用于解决密集杂波、未知目标个数等复杂场景。其中，高斯混合概率假设密度(gaussian mixtu
reprobabilityhypothesisdensity，gmphd)滤波器传递后验多目标状态的一阶统计矩—后验强度，具有计算复杂度低的优点，在工程中得以广泛应用。将线性高斯跳跃马尔科夫系统(lineargaussian jump markov system，lgjms)与gmphd滤波相结合得出的lgjms-gmphd算法，为机动多目标跟踪建立了完备的理论体系和实现方案。在实际应用中，通常采用匀速(constantvelocity，cv)和协同转弯(coordinate turn，ct)模型组成的集合来描述目标运动，但未知的机动目标运动参数导致滤波模型难以准确匹配，进而导致跟踪精度下降。因此，本发明在lgjms-gmphd算法框架下，设计了一种基于深度学习的滤波优化方法，整体流程如图1所示。首先，将多普勒信息引入到量测方程中，改善杂波环境下跟踪性能；然后，设计了一种自适应转弯率估计网络，利用多维度目标运动状态时间序列来实现当前时刻转弯率的估计，以提高滤波模型匹配度。
[0028]
具体地，引入多普勒量测后的运动模型和量测模型描述如下：
[0029]
给定k-1时刻多目标状态x
k-1
，则k时刻的多目标状态xk由存活目标和新生目标集合的并集给出：
[0030][0031]
式中：bk为新生目标状态集；∪为集合并集运算；s
k|k-1
(x
k-1,i
)为k-1时刻目标以存活概率ps(x
k-1,i
)存活到k时刻而演化产生的目标状态集。
[0032]
其中，目标运动状态可表示为：
[0033][0034]
式中：x
k,i
、y
k,i
为目标位置；为目标运动速率，n(k)为k时刻空间中存在的目标个数。
[0035]
在gm模型下，其状态转移函数为：
[0036][0037]
式中：为具有均值m和协方差p的高斯密度，f
k-1
为状态转移矩阵，q
k-1
为过程噪声协方差。
[0038]
传感器接收的多目标量测zk可由目标产生的量测和杂波的并集表示：
[0039]
zk＝θ(xk)∪kkꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0040]
式中，kk为虚警杂波量测集合；θ(xk)为检测到的目标量测集合，检测概率p
d,k
《1。
[0041]
引入多普勒信息后，量测z
k,j
来自于状态x
k,i
的量测方程为：
[0042][0043][0044]
式中，为零均值、协方差的高斯白噪声；
分别为位置量测与多普勒量测值。
[0045]
由式(6)可知，观测向量不能用状态向量线性表示，为简化运算，本文将式(6)在x
k,i
处用泰勒级数展开，忽略二阶以上的项，得出此时的观测矩阵为：
[0046][0047]
其中，
[0048][0049][0050][0051][0052]
在协同转弯模型中，其状态转移矩阵f
k-1
中包含目标的转弯率参数ω，因此，本发明设计了一种自适应转弯率估计网络，网络示意图如图2所示。该网络的输入为包含多维度目标运动状态时间序列信息的特征矩阵fv：
[0053][0054]
其中，k时刻的特征向量表示为：
[0055][0056]
其中，xk和yk表示k时刻目标位置估计，和表示k时刻目标速度估计，表示多普勒量测。
[0057]
由于式(9)表示的特征向量中不同特征的估计精度不同，比如多普勒量测相比于滤波估计有着更高的测量精度，则在神经网络训练过程中，不同特征对网络输出的贡献度不同，此外，特征参数的时间维信息也可反映目标的机动运动特性。因此，在自适应转弯率估计网络设计中，进行了多角度、多层次的特征提取，以充分挖掘特征信息，提高转弯率估计精度。具体实现步骤如下：
[0058]
1)基于长短时记忆网络(long short-term memory，lstm)提取输入的特征矩阵fv中各个特征的时间序列相关特征，输出隐状态表示为hi＝{h1,h2,
…
,hk}，hk表示lstm网络在时间步k输出的隐状态。
[0059]
2)在时间模式注意力(temporal pattern attention，tpa)模块，对各特征参数在时间序列维的变化规律、不同特征间的相关性进行特征提取。首先，基于卷积神经网络(convolutional neural networks，cnn)进行时间模式特征提取，利用f个长度为k-1的一
维cnn滤波器对隐状态hi的行向量进行特征提取，生成矩阵其中，表示hi的第i行向量与第j个滤波器的卷积值。该步骤可用公式表示为：
[0060][0061]
然后，基于注意力机制计算hc行向量的权重和vk。定义如下得分函数g:来评估相关性：
[0062][0063]
其中，是hc的第i行，注意力权重αi通过下式计算得出：
[0064][0065]
进一步地，基于αi对hc的行向量进行加权得出
[0066][0067]
最后，将vk与hk连接起来用于生成当前时刻的转弯率估计值：
[0068]h′k＝whhk wvvkꢀꢀꢀꢀꢀꢀ
(14)
[0069][0070]
其中，hk，
[0071]
该网络的损失函数为：
[0072][0073]
其中，为网络输出的转弯率估计值，ωk为真实值。
[0074]
下面基于多种机动形式的目标轨迹作为实施实例，对上述算法进行说明和分析。设计不同的速度初值和转弯率来构造机动目标运动轨迹数据集，具体参数如表1所示，设定了两组转弯率变化区间，ω1∈[-8
°
/s,8
°
/s]，ω2∈[-15
°
/s,-8
°
/s]∪[8
°
/s,15
°
/s]。匀速运动帧数范围为20～25，转弯率ω1运动帧数范围为10～50，转弯率ω2运动帧数范围为8～20，帧间隔t为1s。在仿真结果中，将lgjms-gmphd算法简记为gmphd，引入多普勒量测后记为gmphdwd，进一步加入自适应转弯率估计处理后记为gmphdwd-at。
[0075]
表1轨迹运动学参数
[0076]
[0077]
基于表1中的5种轨迹参数分别构造100条轨迹来测试自适应转弯率网络性能。跟踪精度评价指标为均方根误差(root mean square error，rmse)：
[0078][0079]
其中，和表示残差修正网络输出结果，xk和yk表示轨迹真实值，m表示仿真次数。
[0080]
五组轨迹的均方根误差对比结果如图3所示，可以看出，相比于gmphdwd，gmphdwd-at的跟踪误差有所减小，表明自适应转弯率估计网络能够获得更为准确的转弯率估计，提高滤波模型与目标运动模型的匹配度，进而提高跟踪精度，改善跟踪性能。此外，该方法在不同转弯率和运动模型切换方式下均能保持较优的跟踪性能，表明所提方法对不同机动形式和不同量测噪声具有一定的鲁棒性。
[0081]
综上所述，以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。